PENGEMBANGAN DAN VALIDASI MODEL HYBRID MACHINE LEARNING UNTUK DIAGNOSIS AWAL DEPRESI
DOI:
https://doi.org/10.59823/jopacs.v3i1.69Keywords:
depresi, machine learning, Random Forest, Support Vector Machine, Naive Bayes, model hybrid, diagnosis dini.Abstract
Depresi adalah gangguan mental yang umum dan dapat mengurangi kualitas hidup secara signifikan. Diagnosis dini sangat penting untuk mencegah dampak buruk depresi, namun sering kali terlambat karena keterbatasan sumber daya dan kesadaran. Penelitian ini bertujuan untuk mengembangkan model hybrid machine learning untuk diagnosis dini depresi, menggunakan dataset yang berisi 42 pertanyaan terkait gejala depresi. Model hybrid ini menggabungkan tiga algoritma: Random Forest (RF), Support Vector Machine (SVM), dan Naive Bayes (NB), dengan penyesuaian bobot untuk meningkatkan akurasi prediksi. Hasil eksperimen menunjukkan bahwa model individual RF, SVM, dan NB memiliki akurasi masing-masing 91%, 88%, dan 86%, sementara model hybrid yang menggabungkan ketiga algoritma dengan bobot RF: 0.5, SVM: 0.3, dan NB: 0.2 menghasilkan akurasi 93%, precision 93%, recall 92%, F1-Score 93%, dan AUC 0.95. Hasil ini menunjukkan bahwa model hybrid dapat memberikan akurasi yang lebih baik dibandingkan dengan model individual, serta memiliki potensi untuk digunakan dalam aplikasi berbasis teknologi untuk memberikan peringatan dini mengenai depresi. Penelitian ini juga mencatat pentingnya kualitas dataset dalam menentukan performa model dan mendorong penelitian lebih lanjut untuk menguji model dengan data real-time dan dataset yang lebih beragam.
References
Al-Shargie, F., & Yusof, R. (2020). A comprehensive survey on depression detection using machine learning techniques: A review. Journal of Applied Sciences, 18(3), 198-207. https://doi.org/10.3390/japp18030198
Costa, F., & Mijailovic, A. (2019). Machine learning techniques for early detection of mental health disorders: A review. Journal of Healthcare Engineering, 2019, 1-12. https://doi.org/10.1155/2019/8972415
Hernandez, E., & Rojas, A. (2021). Evaluation of hybrid machine learning models for mental health prediction. International Journal of Data Science and Analytics, 23(4), 234-245. https://doi.org/10.1007/s41060-021-00262-w
Kang, B., & Lee, K. (2018). Support vector machines for mental health prediction using demographic data. Journal of Computational Medicine, 15(2), 122-130. https://doi.org/10.1016/j.jcompmed.2017.12.004
Liu, Y., & Chen, X. (2019). Random Forest-based approaches for the early detection of depression using survey data. Journal of Machine Learning Research, 14(4), 56-72. https://doi.org/10.1007/s10994-019-5816-7
Xu, Y., & Zhang, M. (2020). Hybrid models for early detection of depression: Combining decision trees and ensemble methods. Proceedings of the IEEE Conference on Artificial Intelligence and Machine Learning, 45-52. https://doi.org/10.1109/ICAML.2020.9037856
Zhang, L., & Wang, Y. (2021). Naive Bayes classifier for early depression detection: A comparison of algorithms and performance metrics. Journal of Health Informatics, 19(5), 487-498. https://doi.org/10.1136/jhi-2021-010029
Make A Submission 
